【正文】 子集合純度一定要比上一層的母集合（ Parentsubset）較高，且下一層子集合正確率（純度）需大於 50%，以使得枝葉具有絕對之顯著程度，以及最多有三層枝葉等。 59 四 、實證研究 1_臺灣電力配電事故定位 ? 解釋與評估 ? 決策樹提供影響目標變數(shù)之關(guān)鍵預(yù)測變數(shù)資訊，提供工程師快速且準確之事故定位資訊參考。決策樹的結(jié)果呈現(xiàn)上，會將影響最大的變數(shù)放在第一層，且顯示變數(shù)之間的相對關(guān)係，但這樣的作法會將其他變數(shù)之影響分散在較下層的枝葉中，而無法全面的看到各種變數(shù)的影響程度。 ? 關(guān)聯(lián)規(guī)則之結(jié)果為針對整體資料而言，顯示各關(guān)聯(lián)規(guī)則之顯著性，其優(yōu)點為能夠更完整的呈現(xiàn)各變數(shù)之影響，缺點則是關(guān)聯(lián)規(guī)則之結(jié)果多且零亂。 60 四 、實證研究 1_臺灣電力配電事故定位 ? 解釋與評估 ? 本案例之研究目的，在特定決策環(huán)境下推測配電事故的樣型，減少事故定位所需的時間，因此，在顯著關(guān)聯(lián)規(guī)則的篩選，加入 ROC 曲線中的錯分率概念，以期望每筆決策規(guī)則，都在工程師可容忍的風(fēng)險下。 61 四 、實證研究 2_以某半導(dǎo)體廠工程資料為實證對象 ? 問題定義 ? 半導(dǎo)體產(chǎn)品製造製程中，若有貨批出現(xiàn)了低良率的問題，這將會導(dǎo)致工廠的生產(chǎn)力下滑及製造成本的增加。因此，我們必頇回溯相關(guān)的製造資料並尋找影響良率的原因，以儘快解決此製程問題。 62 四 、實證研究 2_以某半導(dǎo)體廠工程資料為實證對象 ? 資料選擇 ? 積體電路的製程相當複雜，往往需經(jīng)過數(shù)百個不同的站別、流程才完成。且加上產(chǎn)品特性差異，因而製造程式等種種環(huán)境參數(shù)亦會有所不同。在生產(chǎn)製造的過程中，會累積大量產(chǎn)品經(jīng)過電性測試或是物理特性監(jiān)控量測的結(jié)果，以檢驗產(chǎn)品是否在規(guī)格內(nèi)的資料。整個資料蒐集流程可見 圖 。 63 四 、實證研究 2_以某半導(dǎo)體廠工程資料為實證對象 ? 資料選擇 ? 資料類型大概可以分成幾大類： ? WIP 類型（ Wafer In Process） ? Metrology 類型 ? Defect 類型 ? Parametric 類型 ? Bin Map類型 ? NonLot類型 ? 大量的製程資料，記錄了晶圓在製造與測試的種種狀況。因此工程師便可以透過工程資料分析系統(tǒng)瞭解產(chǎn)品的生產(chǎn)測試狀況，以進行製程的改善與事故診斷。 64 四 、實證研究 2_以某半導(dǎo)體廠工程資料為實證對象 ? 資料前置處理 ? 工程資料主要可分為四部分 ： 基本資料、歷史資料、CP 資料、 WAT 資料。 ? 經(jīng)過前置處理後，可從 圖 良率分佈圖中見，CP 良率值大致可區(qū)分成兩群，以 60 為分界值，將 CP 良率值大於等於 60 為高良率，小於 60 為低良率（與 kmean 分群的結(jié)果相同， 圖 ）。 65 四 、實證研究 2_以某半導(dǎo)體廠工程資料為實證對象 ? 目標與顯著變數(shù)的選取 ? 首先，利用 KruskalWallis 檢定來檢測是否在屬性之各層級下，其目標變數(shù)晶片針測良率是否具有顯著的差異。在此所設(shè)定的顯著水準為 。KruskalWallis 檢定選取出 36 的顯著的候選屬性，由 Pvalue 由小排到大。 66 四 、實證研究 2_以某半導(dǎo)體廠工程資料為實證對象 ? 資料挖礦 決策樹分析以萃取特徵 ? 將目標資料分成兩群， cluster 1 為所定義之高良率，cluster 2 為所定義之低良率，經(jīng)由決策樹的樹枝狀架構(gòu)及規(guī)則的表達方式進行資料分類描述這些群體的特徵，以達到特徵萃取的目的。 ? 在輸入變數(shù)值方面，分成兩部份探討，一是輸入站別機臺，一是輸入站別機臺與過站時間，希望藉由決策樹找出影響良率的顯著機臺或是某些時間區(qū)段出現(xiàn)了故障。 67 四 、實證研究 2_以某半導(dǎo)體廠工程資料為實證對象 ? 資料挖礦 關(guān)聯(lián)規(guī)則挖掘問題機臺組合 ? 關(guān)聯(lián)規(guī)則主要是從資料庫龐大資料中，找出發(fā)生頻率較高的組合，希望藉由此特性找出造成低良率之問題機臺，幫助工程師趁早作出修機或是製程上之改善。 68 四 、實證研究 2_以某半導(dǎo)體廠工程資料為實證對象 ? 解釋與評估 ? 目標變數(shù)是產(chǎn)品的良率，有時候不適合作為事故診斷。產(chǎn)品的良率是半導(dǎo)體製程上的綜合表現(xiàn)，在事故診斷上較不易發(fā)掘。電子特性參數(shù)所代表的數(shù)值較難去定義，因此，較無法直觀的評判出好批及壞批。 ? 半導(dǎo)體的資料挖礦過程中，很少只利用單一模式就可以解決。用不同的資料挖礦工具挖掘製程資料所隱含的重要訊息，以此方法將結(jié)果篩選與過濾，可將問題的可能發(fā)生範圍縮小，找到導(dǎo)致問題的主因，建立更完善的事故診斷的資料挖礦架構(gòu)，提供工程師更多事故診斷上之線索。並非每次的挖掘過程都能刪除大多數(shù)可能性，必頇將所有可能結(jié)果列出，再逐一與領(lǐng)域?qū)＜矣懻摗? 69 四 、實證研究 _案例討論 臺電 半導(dǎo)體 問題定義 事故定位 事故診斷 資料特性 資料欄位 ”少 ” 預(yù)測變數(shù) 目標數(shù)事件 ”多 ” 資料欄位 ”多 ” 預(yù)測變數(shù) 目標數(shù)事件 ”少 ” 方法應(yīng)用 關(guān)聯(lián)規(guī)則 可模擬出較多的決策環(huán)境規(guī)則。 決策樹 可顯示較影響目標之關(guān)鍵預(yù)測變數(shù)，提供工程師在決策時所需參考。 決策樹找出區(qū)分高低良率之最顯著關(guān)鍵站別和機臺，再以關(guān)聯(lián)規(guī)則找出低良率資料發(fā)生頻率較高的機臺與時間，結(jié)合決策樹之分類規(guī)則與顯著關(guān)聯(lián)規(guī)則後，找出發(fā)生問題的機臺與時間點。 70 五、結(jié)論 ? 從臺電配電事故資料，藉由架構(gòu)流程萃取出事故資料中損壞設(shè)備與特殊的事故資料關(guān)聯(lián)的樣型，此中，加入 ROC曲線的概念，降低規(guī)則的決策風(fēng)險，在特定決策環(huán)境下，推測配電事故的樣型，來減少事故定位所需的時間與正確性。 ? 對於半導(dǎo)體廠來說，資料取得不是問題，但不能保證越能挖掘到有價值的資訊，針對半導(dǎo)體工程資料龐大且混雜之特性，傳統(tǒng)統(tǒng)計分析方法有其限制。本研究建構(gòu)完整的分析步驟，其中包括利用 KruskalWallis 檢定找出顯著屬性，縮小範圍，再以決策樹的分類規(guī)則和關(guān)聯(lián)規(guī)則高頻率的關(guān)聯(lián)規(guī)則描述造成低良率的特徵，透過綜合資訊的比較縮小診斷範圍，提供給工程師作為製程監(jiān)控的依據(jù)，以快速排除事故提昇良率與未來事故診斷的參考。 71 THE END 72 73 74 75 76 77 78 79 80 81 謝謝觀看 /歡迎下載 BY FAITH I MEAN A VISION OF GOOD ONE CHERISHES AND THE ENTHUSIASM THAT PUSHES ONE TO SEEK ITS FULFILLMENT REGARDLESS OF OBSTACLES. BY FAITH I BY FAITH